DASAR TEORI :

Filtering adalah suatu proses dimana diambil sebagian sinyal dari frekwensi
tertentu, dan membuang sinyal pada frekwensi yang lain. Filtering pada citra juga
menggunakan prinsip yang sama, yaitu mengambil fungsi citra pada frekwensi-
frekwensi tertentu dan membuang fungsi citra pada frekwensi-frekwensi tertentu.
Berdasarkan sifat transformasi fourier dari suatu citra dan format koordinat
frekwensi seperti gambar 8.1. berikut ini:
Low freq
freq
1 m2

freq

m1 High freq

Gambar 8.1. Format koordinat frekwensi pada citra

Berikutnya kita perhatikan bagaimana pengaruh frekwensi renda dan frekwensi

tinggi pada citra dengan memanfaatkan hasil dari transformasi fourier. Dimana
frekwensi pada citra dipengaruhi oleh gradiasi warna yang ada pada citra tersebut.
Perhatikan hasil transformasi fourier dari beberapa citra berikut 8.2. berikut.
Citra Hasil Transformasi Fourier

Gambar 8.2. Contoh transformasi fourier citra bergradiasi tinggi

 Perhatikan bahwa warna putih (terang) pada gambar hasil transformasi fourier
menunjukkan level atau nilai fungsi yang tinggi dan warna hitam (gelap)
menunjukkan level atau nilai fungsi yang rendah. Berdasarkan hal ini dan format
koordinat frekwensi (pada gambar 8.1) terlihat bahwa pada gambar 8.2 nilai-nilai
yang tinggi berada pada frekwensi rendah, ini menunjukkan bahwa citra dengan
gradiasi (level threshold) tinggi cenderung berada pada frekwensi rendah.
Sehingga dapat disimpulkan bahwa citra dengan gradiasi tinggi berada pada
frekwensi rendah.
Berikutnya dengan menggunakan citra-citra yang bergradiasi rendah seperti
gambar logo data sketsa dimana nilai treshold yang digunakan merupakan nilai-
nilai yang kecil dapat dilihat pada gambar 8.3. berikut. Pada gambar 8.3. terlihat
bahwa hasil transformasi fourier menunjukkan nilai fungsi hanya berada pada
frekwensi tinggi. Dengan demikian dapat disimpulkan bahwa citra yang
bergradiasi rendah berada pada frekwensi tinggi. Demikian pula citra biner,
citra dengan threshold tertentu merupakan citra-citra yang bergradiasi rendah, dan
citra-citra ini berada pada frekwensi tinggi.

Citra Hasil Transformasi Fourier

Gambar 8.3. Contoh transformasi fourier citra bergradiasi rendah

Dari sifat-sifat citra pada bidang frekwensi, maka prinsip-prinsip filtering dapat
dikembangkan adalah sebagai berikut:
(1) Bila ingin mempertahankan gradiasi atau banyaknya level warna pada suatu citra,
maka yang dipertahankan adalah frekwensi rendah dan frekwensi tinggi dapat
 dibuang atau dinamakan dengan Low Pass Filter. Hal ini banyak digunakan untuk
reduksi noise dan proses blur.
(2) Bila ingin mendapatkan threshold atau citra biner yang menunjukkan bentuk suatu
gambar maka frekwensi tinggi dipertahankan dan frekwensi rendah dibuang atau
dinamakan dengan High Pass Filter. Hal ini banyak digunakan untuk menentukan
garis tepi (edge) atau sketsa dari citra.
(3) Bila ingin mempertahankan gradiasi dan bentuk, dengan tetap mengurangi banyaknya
bidang frekwensi (bandwidth) dan membuang sinyal yang tidak perlu maka frekwensi
rendah dan frekwensi tinggi dipertahankan, sedangkan frekwensi tengahan dibuang
atau dinamakan dengan Band Stop Filter. Teknik yang dikembangkan dengan
menggunakan Wavelet Transform yang banyak digunakan untuk kompresi, restorasi
dan denoising.

Teknik-teknik filtering pada citra dikembangkan menggunakan prinsip-prinsip di

atas. Perhatikan beberapa transformasi fourier dari fungsi yang semuanya positif
sebagai berikut:
F(t) F()

F(t) F()

Gambar 8.4. transformasi fourier untuk fungsi positif integer

 Dari gambar 8.4. di atas yang masing-masing menyatakan transformasi fourier
dari fungsi rata-rata dan fungsi gaussian, dapat dilihat bahwa fungsi-fungsi ini
menghasilkan transformasi fourier yang nilainya hanya berada pada frekwensi
rendah. Hal ini dapat dinyatakan bahwa filter yang berjenis Low Pass Filter dapat
diperoleh dengan suatu kernel filter H (koefisien filter dalam spasial atau
koordinat x dan y) yang semua nilainya positif (positif absolut).

Konvolusi adalah perkalian total dari dua buah fungsi f dan f yang didefinisikan
dengan:
T
f *h   f (t )h(T  t )dt
0

Untuk fungsi f dan h yang berdimensi 2, maka konvolusi dua dimensi

didefinisikan dengan:
Tx Ty

f *h    f ( x, y)h(T
0 0
x  x, T y  y )dxdy

Konvolusi 2D inilah yang banyak digunakan pengolahn citra digital, sayangnya

rumus diatas sangat sulit diimplementasikan menggunakan komputer, karena pada
dasarnya komputer hanya bisa melakukan perhitungan pada data yang diskrit
sehingga tidak dapat digunakan untuk menghitung intregral di atas

Konvolusi pada fungsi diskrit f(n,m) dan h(n,m) didefinisikan dengan:

Tn Tm
y ( k1, k 2)   f ( k1  n, k 2, m) h( n, m)
n 1 m 1

Perhitungan konvolusi semacam ini dapat digambarkan dengan:

F(x,y) h(x,y)

Bila ingin dihitung y = f * h, maka proses perhitungannya dapat dilakukan

dengan: ……

……

……
 Gambar 8.5. Perhitungan konvolusi secara grafis
Filter pada citra pada bidang spasial dapat dilakukan dengan menggunakan
konvolusi dari citra (I) dan fungsi filternya (H), dan dituliskan dengan:
I’ = H  I
Dan dirumuskan dengan:
n m
I ' ( x, y )    h(i, j ) I ( x  i, y 
i  n j  m
j)

dimana :
m,n adalah ukuran dari fungsi filter dalam matrik

Rumus konvolusi di atas digunakan untuk berbagai macam proses filter

yang akan dijelaskan pada sub bab-sub bab berikut.

Low Pass Filter

Seperti telah dijelaskan di atas bahwa low pass filter adalah proses filter yang
mengambil citra dengan gradiasi intensitas yang halus dan perbedaan intensitas
yang tinggi akan dikurangi atau dibuang. Ciri-ciri dari fungsi low-pass filter

adalah sebagai berikut:   H (i, j )  1

j i

Sebagai contoh dibuat program Low Pass Filter dengan fungsi filter rata-rata
sebagai berikut:

 19 1
9
1
9

H   19 1
9
1 
9

 19 1
9
1 
9
Hasil dari program Low Pass Filter, ini untuk beberapa macam gambar adalah
sebagai berikut:

Gambar 8.6 Hasil LPF untuk gambar kucing dan komputer

Dari kedua hasil di atas dapat dilihat bahwa Low Pass Filter menyebabkan
gambar menjadi lebih halus dan lebih blur.

High Pass Filter

Seperti telah dijelaskan di atas bahwa high pass filter adalah proses filter yang
mengambil citra dengan gradiasi intensitas yang tinggi dan perbedaan intensitas
yang rendah akan dikurangi atau dibuang. Ciri-ciri dari fungsi low-pass filter
adalah sebagai berikut:
 H (i, j )  0
j i

Sebagai contoh dibuat program Low Pass Filter dengan fungsi filter rata-rata
sebagai berikut:
0 1 0
H   1 4  1
 0 1 0 

Hasil dari program High Pass Filter, ini untuk beberapa macam gambar adalah
sebagai berikut:
 Gambar 8.7 Hasil HPF untuk gambar kucing dan komputer

Dari kedua hasil di atas dapat dilihat bahwa High Pass Filter menyebabkan
gambar hanya diambil atau ditampilkan pada daerah-daerah yang berbeda
misalkan pada tepi-tepi gambar. Pada gambar kucing perbedaan yang muncul
tidak begitu jelas karena gambarnya mempunyai gradiasi yang tinggi (halus),
sedangkan pada gambar komputer tepi-tepi gambar tampak jelas karena
perbedaannya tinggi.

TUGAS PENDAHULUAN :

(1) Tuliskan prinsip-prinsip fitering pada citra

3 6 4 1 1
(2) Hitunglah konvolusi dari: f    dan h  1 1
0 3 7   
3 6 4  1 0
(3) Hitunglah konvolusi dari: f    dan h   0
0 3 7   1 

(4) Tuliskan apa ciri-ciri Low Pass Filter pada citra, dan bagaimana hasilnya

(5) Tuliskan apa ciri-ciri High Pass Filter pada citra, dan bagaimana hasilnya

PERCOBAAN :
Konvolusi untuk Filter pada Citra
Disain GUI ;

a)

Member Variabel :

b)

Gambar 8.8 a dan b : Disain GUI dan Member Variabel

void CFilteringDlg::OnButton2()
{
int i,j,k,red,green,blue,resultr,resultg,resultb;
long int warna,mat[3][3];
float h[3][3],hr,hg,hb;
CDC* pDC = m_pic2.GetDC();//
CDC dcMem;
CRect rect;//
BITMAP bm;//
m_pic2.GetClientRect(rect);//
m_bmpBitmap.GetBitmap(&bm);//
dcMem.CreateCompatibleDC(pDC);
dcMem.SelectObject(&m_bmpBitmap);
int nh=3; // Menyatakan ukuran filter
 // Penentuan kernel filter
for(i=0;i<nh;i++)
for(j=0;j<nh;j++)
h[i][j]=(float)1/9;
for(j=0;j<bm.bmHeight;j++)
for(k=0;k<bm.bmWidth;k++)
{
mat[0][0]=dcMem.GetPixel(k-1,j-1);
mat[0][1]=dcMem.GetPixel(k,j-1);
mat[0][2]=dcMem.GetPixel(k+1,j-1);
mat[1][0]=dcMem.GetPixel(k-1,j);
mat[1][1]=dcMem.GetPixel(k,j);
mat[1][2]=dcMem.GetPixel(k+1,j);
mat[2][0]=dcMem.GetPixel(k-1,j+1);
mat[2][1]=dcMem.GetPixel(k,j+1);
mat[2][2]=dcMem.GetPixel(k+1,j+1);
hr=0;hg=0;hb=0;
//proses konvolusi
for(int u=0;u<nh;u++)
for(int v=0;v<nh;v++){
WarnaToRGB(mat[u][v],&red,&green,&blue);
hr+=(float)red*h[u][v];
hg+=(float)green*h[u][v];
hb+=(float)blue*h[u][v];
}
resultr=(int)hr;
resultg=(int)hg;
resultb=(int)hb;
if(resultr>255)resultr=255;
if(resultg>255)resultg=255;
if(resultb>255)resultb=255;
warna=RGBToWarna(resultr,resultg,resultb);
dcMem.SetPixel(k,j,warna);
}
pDC->StretchBlt(0,0,rect.Width(),rect.Height(),&dcMem,0,0,
bm.bmWidth,bm.bmHeight,SRCCOPY);//
}
Output :

Gambar 8.9. Output Filtering

Filter Transparansi :

Gambar 8.10 : Disain GUI Filter Transparan

Fungsi mengubah warna ke rgb

void WarnaToRGB(long int warna,int *Red, int *Green, int *Blue)
{
*Red = warna & 0x000000FF;
*Green = (warna & 0x0000FF00) >> 8;
*Blue = (warna & 0x00FF0000) >> 16;
}
Fungsi mengubah rgb ke warna
long int RGBToWarna(int Red, int Green, int Blue)
{
return(Red+(Green<<8)+(Blue<<16));
}
Tambahan pada header file
public:
CBitmap m_bmpBitmap;
Cbitmap m_bmpBitmap2;

Program pada button gambar 1

CDC* pDC = m_pic1.GetDC();//
CDC dcMem1;
Crect rect;//kotak di picture
BITMAP bm;//
HBITMAP hBitmap=(HBITMAP)::LoadImage(AfxGetInstanceHandle(),
“tes3.bmp”,IMAGE_BITMAP, 0, 0, LR_LOADFROMFILE|
LR_CREATEDIBSECTION);
if(hBitmap)
{
if(m_bmpBitmap.DeleteObject())
m_bmpBitmap.Detach();
m_bmpBitmap.Attach(hBitmap);
}
m_pic1.GetClientRect(rect);//
m_bmpBitmap.GetBitmap(&bm);//
dcMem1.CreateCompatibleDC(pDC);
dcMem1.SelectObject(&m_bmpBitmap);
pDC->StretchBlt(0,0,rect.Width(),rect.Height(),&dcMem1,
0,0,bm.bmWidth,bm.bmHeight,SRCCOPY);

Program pada button2

CDC* pDC2 = m_pic2.GetDC();//
CDC dcMem2;
Crect rect2;//kotak di picture
BITMAP bm;//
HBITMAP hBitmap=(HBITMAP)::LoadImage(AfxGetInstanceHandle(),
“tes4.bmp”,IMAGE_BITMAP, 0, 0, LR_LOADFROMFILE|
LR_CREATEDIBSECTION);
if(hBitmap)
{
if(m_bmpBitmap2.DeleteObject())
m_bmpBitmap2.Detach();
m_bmpBitmap2.Attach(hBitmap);
}
m_pic2.GetClientRect(rect2);//
m_bmpBitmap2.GetBitmap(&bm);//
dcMem2.CreateCompatibleDC(pDC2);
dcMem2.SelectObject(&m_bmpBitmap2);
pDC2->StretchBlt(0,0,rect2.Width(),rect2.Height(),&dcMem2,
 0,0,bm.bmWidth,bm.bmHeight,SRCCOPY);

Program pada button transparan

int k,j,r,g,b,r1,b1,g1,r2,g2,b2;
long int w;
CDC* pDC = m_pic3.GetDC();//
CDC* pDC2 = m_pic2.GetDC();//
CDC dcMem1,dcMem2,dcMem3;
Crect rect,rect2;//kotak di picture
BITMAP bm,bm2;//
HBITMAP hBitmap=(HBITMAP)::LoadImage(AfxGetInstanceHandle(),
“tes3.bmp”,IMAGE_BITMAP, 0, 0, LR_LOADFROMFILE|
LR_CREATEDIBSECTION);
if(hBitmap)
{
if(m_bmpBitmap.DeleteObject())
m_bmpBitmap.Detach();
m_bmpBitmap.Attach(hBitmap);
}
m_pic3.GetClientRect(rect);//
m_bmpBitmap.GetBitmap(&bm);//
dcMem1.CreateCompatibleDC(pDC);
dcMem1.SelectObject(&m_bmpBitmap);

pDC->StretchBlt(0,0,rect.Width(),rect.Height(),&dcMem1,
0,0,bm.bmWidth,bm.bmHeight,SRCCOPY);

m_bmpBitmap2.GetBitmap(&bm2);//
dcMem2.CreateCompatibleDC(pDC2);
dcMem2.SelectObject(&m_bmpBitmap2);

for(j=0;j<bm.bmHeight;j++)
{
for(k=0;k<bm2.bmWidth;k++)
{
w=dcMem1.GetPixel(j,k);
WarnaToRGB(w,&r1,&g1,&b1);
w=dcMem2.GetPixel(j,k);
WarnaToRGB(w,&r2,&g2,&b2);
r=(0.5*r1)+(0.5*r2);
g=(0.5*g1)+(0.5*g2);
b=(0.5*b1)+(0.5*b2);
w=RGBToWarna(r,g,b);
dcMem1.SetPixel(j,k,w);

}
}
pDC->StretchBlt (0,0,rect.Width() ,rect.Height(),&dcMem1,0,0,
bm.bmWidth, bm.bmHeight, SRCCOPY);
 Gambar 8.11. Output Filter Transparan

LAPORAN RESMI :

1. Buatlah kesimpulan hasil yang didapatkan dari program filter transparan

2. Cobalah merubah persentase r,g,b dari gambar 1 dan gambar 2, amati dan berilah
kesimpulan terhadap hasil yang di dapat.
a. 25 % gambar 1 + 75 % gambar 2
b. 60 % gambar 1 + 40 % gambar 2
c. 80 % gambar 1 + 20 % gambar 2